論文の概要: Why, Where, How: Taxonomy-guided Error Grounding for Code Repair in NL2SQL

• arxiv url: http://arxiv.org/abs/2610.05060v1
• Date: Sun, 04 Oct 2026 09:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 06:38:20.286086
• Title: Why, Where, How: Taxonomy-guided Error Grounding for Code Repair in NL2SQL
• Title（参考訳）: NL2SQLのコード修復になぜ、なぜ、どこで、どのように?
• Abstract要約: エラー分類学は、なぜクエリが間違っているのかを説明しているが、どこを見るか、どのように変更するかは定かではない。 本稿では,TAG (Taxonomy-Guided Error Grounding) を導入し,提案した診断を自然言語からエラー誘導(NL2)修正のための構造化補正入力に変換する。
• 参考スコア（独自算出の注目度）: 18.953310944987702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: SQL queries that large language models write from natural language questions can execute successfully yet produce incorrect results, so execution alone does not reveal what to fix. An error taxonomy says why the query is wrong, but not where to look or how to change it. Existing methods can guide SQL correction through feedback, error reports, or generated plans alongside an unmasked query. We introduce TEG(Taxonomy-guided Error Grounding), which turns a supplied diagnosis into a structured correction input for natural language-to-SQL (NL2SQL) correction. Type-specific rules map each error type to construct classes to reconsider and an edit operation to request. TEG masks the selected constructs in the query when applicable and states that operation in an edit instruction. TEG generates candidate corrections from this input, uses execution feedback to guide candidate selection, and repeats the process one annotation at a time for queries with several errors. On NL2SQL-BUGs, TEG reaches 47.3 single-error execution accuracy and 37.0 overall with Qwen2.5-7B-Instruct. Across the model sizes and thinking modes evaluated in the main comparison, TEG outperforms all evaluated baselines on single-error queries, even when the baselines receive the same error-type annotations. With predicted types, TEG stays above direct LLM correction and ErrorLLM on single-error queries.
• Abstract（参考訳）: 大きな言語モデルが自然言語の質問から書くSQLクエリは、うまく実行できますが、誤った結果を生成するため、実行だけでは何を修正するべきかを明らかにしません。 エラー分類学は、なぜクエリが間違っているのかを説明しているが、どこを見るか、どのように変更するかは定かではない。 既存の方法では、フィードバックやエラーレポート、生成した計画を通じてSQLの修正を、マッチしないクエリとともにガイドすることができる。 本稿では,TEG(Taxonomy-guided Error Grounding)を導入し,得られた診断結果を自然言語-SQL(NL2SQL)補正のための構造化補正入力に変換する。 タイプ固有のルールは、各エラータイプをマップして、再検討するクラスと、要求する編集操作を構築する。 TEGは、クエリで選択されたコンストラクトをマスクし、その操作を編集命令で記述する。 TEGはこの入力から候補修正を生成し、実行フィードバックを使用して候補選択をガイドし、複数のエラーのあるクエリに対して一度に1つのアノテーションを繰り返す。 NL2SQL-BUGでは、TEGはQwen2.5-7B-Instructで47.3の単一エラー実行精度と37.0に達した。 モデルサイズと主比較で評価された思考モード全体で、TEGは、ベースラインが同じエラータイプのアノテーションを受け取っている場合でも、評価されたベースラインをシングルエラークエリで上回っている。 予測型では、TEGは単一エラークエリ上で直接LLM修正とErrorLLMの上に留まる。

関連論文リスト

• ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement [57.98138819417949]
  テキスト・ツー・クエリを明示的にモデル化するフレームワークであるErrorLLMを提案する。 ErrorLLMは、バックボーンの初期生成よりも大幅に改善されていることを示す。 ErrorLLMは、精錬効率を維持しつつ、高い検出F1スコアで両面に対処する。
  論文  参考訳（メタデータ） (2026-03-04T05:27:20Z)
• SQL-of-Thought: Multi-agentic Text-to-SQL with Guided Error Correction [13.793886767052905]
  In-context Learning と chain-of- Thought は、テキスト・トゥ・コンテクスト・システムのための堅牢なソリューションを開発するために利用することができる。 本稿では,Text2タスクをスキーマリンク,サブプロブレム識別,クエリプラン生成,ガイド付き修正ループに分解するマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T18:27:12Z)
• Tgea: An error-annotated dataset and benchmark tasks for text generation from pretrained language models [57.758735361535486]
  TGEAは、事前訓練された言語モデル(PLM)からテキストを生成するためのエラーアノテートデータセットである。 PLM生成文で発生する24種類の誤りを網羅する誤り分類を作成する。 PLM生成テキストに対する包括的なアノテーションを備えた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-03-06T09:14:02Z)
• DAC: Decomposed Automation Correction for Text-to-SQL [51.48239006107272]
  De Automation Correction (DAC)を導入し、エンティティリンクとスケルトン解析を分解することでテキストから合成を補正する。 また,本手法では,ベースライン法と比較して,スパイダー,バード,カグルDBQAの平均値が平均3.7%向上することを示した。
  論文  参考訳（メタデータ） (2024-08-16T14:43:15Z)
• LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency [65.01402723259098]
  本稿では,LLM-R2 という新しいクエリ書き換え手法を提案する。 実験結果から,本手法はクエリ実行効率を大幅に向上し,ベースライン法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T13:17:07Z)
• Analyzing the Effectiveness of Large Language Models on Text-to-SQL Synthesis [4.412170175171256]
  本研究では,大規模言語モデルを用いたテキスト・ツー・プログラム合成における様々なアプローチについて検討する。 目標は、データベーススキーマと共に自然言語の質問を入力し、正しいSELECTクエリを出力することであった。
  論文  参考訳（メタデータ） (2024-01-22T22:05:42Z)
• Text-to-SQL Error Correction with Language Models of Code [24.743066730684742]
  本稿では,テキストとコーパスの自動誤り訂正モデルの構築方法について検討する。 トークンレベルの編集は文脈外であり、時には曖昧であることに気付き、代わりに節レベルの編集モデルを構築することを提案する。
  論文  参考訳（メタデータ） (2023-05-22T14:42:39Z)
• Towards Minimal Supervision BERT-based Grammar Error Correction [81.90356787324481]
  我々は、事前訓練された言語モデルからコンテキスト情報を取り入れて、アノテーションを活用し、多言語シナリオの恩恵を得ようとしている。 その結果、文法的誤り訂正タスクにおいて、変換器(BERT)からの双方向表現の強い可能性を示す。
  論文  参考訳（メタデータ） (2020-01-10T15:45:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。